跨方向与跨学科研究

交叉研究容易新颖、难以发表（两边都觉得不够深）。本章讲如何选择"主场"会议、如何让两边的评审都满意、如何与另一领域的合作者建立共同语言，以及计算社会科学、AI for Science 等交叉领域的现状。

机会与代价

跨方向/跨学科研究的两个特征并存：容易新颖（交叉点的拥挤度低、问题的组合是新组合）、难以发表（两边的评审都觉得"不够深"——母方向的评审说"我们的社区已有类似工作"，目标方向的评审说"这个方法我们不懂/太浅"）。

先想清楚再跨：交叉的收益（新颖性）是否值得双倍的学习成本与评审风险。

如何选择"主场"

交叉论文要用主场的证据标准：选择一个"主场"（贡献主要落地的方向），按主场的标准设计证据，把另一个方向作为问题来源或应用场景：

• 计算社会科学：主场常是 ML/HCI（方法），社科是问题来源；证据按主场标准（大规模数据 + 统计/实验）；
• AI for Science：主场常是 ML 或科学领域（按会议与贡献类型）——先在一个方向建立可信度再跨：评审人对"两边都懂"的默认怀疑，需要主场的发表记录来对冲；
• 工具/系统类的交叉（如生物信息学工具）：主场的证据是功能与性能，应用领域的证据是科学发现。

如何让两边的评审都满意

• 问题的表述按主场，但动机里给另一边"翻译"（为什么这个问题对那个领域重要）；
• 证据用主场的标准，但补一组另一边关心的实验/分析（如 ML 主场补一个科学有效性检验）；
• 合作者里要有另一方向的人，且 TA 的贡献要让对应方向的评审可见（署名与贡献声明的规范，见署名与贡献）。

与另一领域的合作者：共同语言

术语差异是合作的第一障碍：同一个词（"模型""特征""验证"）在两个领域含义不同。合作初期的三个动作：

• 建一个共享的术语表（谁说的"验证"指什么）；
• 各自读对方的入门综述（见找论文的进入方法）；
• 第一个项目从小做起：用一个最小合作项目校准工作方式与期望，再上大项目（见合作与共同作者的开始约定）。

现状与趋势

计算社会科学（大规模数据 + 社会问题）、AI for Science（ML + 物理/化学/生物）、健康信息学、金融科技等交叉领域近年扩张快——机会窗口与竞争同时存在。跨方向的选题方法（交叉作为问题来源）见选题：如何找到值得做的问题的来源③。

本章要点

• 先在一个方向建立可信度再跨
• 交叉论文要用主场的证据标准
• 术语差异是合作的第一障碍